Aggressiivisen ajamisen havaitseminen koneoppimisella ja reunan laskennalla

Viimeaikainen patenttihakemus on ehdottanut järjestelmää aggressiivisen ajokäyttäytymisen tunnistamiseksi risteyksissä käyttäen koneoppimisalgoritmeja, jotka on käyttöönotettu siviilireunan laskenta laitteissa.

Toisin kuin viimeaikaiset innovaatiot AI-tutkimuksesta “tiellä raivo” -analytiikkaan (pääasiassa tarkoitettu vakuutusyhtiöiden hyödyksi), ehdotettu järjestelmä on kunnallinen luonteeltaan, ja se voisi olla tarkoitettu helpottamaan rangaistuksia kuljettajille, jotka eivät noudatta “turvallisen” ajokäyttäytymisen ympäristönormeja. Se on myös tarkoitettu antamaan huonosti ajaville kuljettajille liittyville äänivisuaalisiin hälytyksiin.

Patentti haettiin Yhdysvaltain patentti- ja tavaramerkkivirastossa 29. huhtikuuta 2021 Michiganin yliopiston Hallituksen puolesta ja Denso-konsernin, japanilaisen autonosien valmistajan, joka kuuluu Toyotalle.

UMich-patentti ei ole omistettu, autossa oleva järjestelmä, joka on tarkoitettu vakuutusvalvontaan, eikä suunniteltu ainoastaan tuottamaan oikeudellista tietoa, vaan sen sijaan se nojautuu hyvin resurssoituihin reunan laskenta solmuihin, jotka on käyttöönotettu liikenne risteyksissä tarjoamaan välittömiä ja toimintavalmiita palautetta, keräämällä tietoa tienvarsien reunan laskenta resursseista ja anturista, jotka on asennettu lähellä oleviin ajoneuvoihin. Lähde: https://pdfaiw.uspto.gov/76/2021/50/012/1.pdf

Ehdotettu kehys ei ole aivan passiivinen tai riippuvainen kunnallisteilla laitteilla, vaan se vaatii myös ajoneuvossa olevia teknologioita, jotka voivat muuttaa autot osallistuviksi antureiksi järjestelmälle. Tehokkaasti tämä muuttaisi jokaisen varustetun ajoneuvon liikennevalvonta solmuksi, vaikka sama valvonta kohdistuisi myös itse kuljettajaan, jonka lisäksi se antaisi pääsyn ajoneuvon sisäisiin tietovirtoihin. Autossa asennettujen laitteiden kaavio (kuvassa oikealla) jätettiin patenttiin, ja se sisältää suoran anturin tiedon ajoneuvon jarruista, kaasupolkimesta, ohjauspyörästä ja matkamittarista, sekä edellyttää pääsyä karttatietoihin.

Molemmat tienvarsien ja ajoneuvon asennukset sisältävät CUDA-kiihdytysyksikön ja paikallisen tallennusresurssin, ja molemmat sisältävät pilviyhteyden.

Varoituksia aggressiivisille kuljettajille

Patenttihakemuksen mukaan järjestelmä on suunniteltu vuorovaiktuessaan kuljettajan kanssa:

‘Kun järjestelmä aggressiivisen ajokäyttäytymisen ennustamiseksi 1 ennustaa aggressiivista ajamista kohteena olevassa ajoneuvossa, varoitusviesti, kuten varoitus kuva 8A, voidaan näyttää äänivisuaaliseen laitteeseen 413 kohteena olevassa ajoneuvossa varoittamaan aggressiivista kuljettajaa hidastamaan.’

Lisäksi mahdollisia varoituksia ovat ajoneuvon äänivisuaaliset hälytykset nopeudesta ja tulevista ajoneuvoista:

Varoituksia, jotka on kuvattu patenttihakemuksessa. Lähde: https://pdfaiw.uspto.gov/fdd/76/2021/50/012/0.pdf

Patentti sanoo, että toisessa mahdollisessa skenaariossa mitä tahansa saatavilla olevia äänivisuaalisia laitteita (mukaan lukien kuljettajan omistamat älypuhelimet) ajoneuvossa voidaan käyttää varoituksina, mukaan lukien äänivaroitukset.

Kuljettajakohtaiset punaiset valot

Liikennevalojen taajuuksien ja käyttäytymisen muuttaminen on pitkään tiedetty tapa vähentää onnettomuuksia, ja ehdotettu järjestelmä voidaan käyttää generoimaan tietoa, joka voi muuttaa liikennevalojen toimintaa risteyksissä laajalla tasolla.

Kuitenkin Michiganin ehdotuksessa kuvattu infrastruktuurin ja ajoneuvon tietojen syvä integraatio tarjoaa toisen mahdollisuuden: punaiset valot, jotka määräytyvät kuljettajan käyttäytymisen mukaan, eikä ainoastaan ohjata tiettyyn aikatauluun (katso patenttihakemuksen [0157] osio).

‘Lisäksi, jos ajo-ohjelma yhdessä risteyksessä (esim. risteyksessä 200a) ennustaa ja / tai osoittaa aggressiivista ajamista ajoneuvossa 71, korjaavat toimenpiteet, kuten ohjaus-elementtien hallinta, voidaan käyttää myöhemmissä risteyksissä (esim. risteyksissä 200b ja 200c) hillitsemään aggressiivista ajokäyttäytymistä. Esimerkiksi, jos järjestelmä aggressiivisen ajokäyttäytymisen ennustamiseksi 1 ennustaa, että ajoneuvo 71 voi ajaa punaisen valon läpi risteyksessä 200a, järjestelmä aggressiivisen ajokäyttäytymisen ennustamiseksi 1 voi lähettää ohjaussignaalin liikennevalojen 202b ja 202c hallintaan risteyksissä 200b ja 200c. Tällä tavoin liikennevalot 202b ja 202c voivat muuttua punaiseksi ennen kuin ajoneuvo 71 ajaa risteyksen 200a läpi rohkeasti ja yrittää nopeuttaa ajamista risteyksissä 200b ja 200c ennen kuin signaalit 202b ja 202c muuttuvat punaiseksi.’

Tietä kuljettajan yksityisyyteen

Ehdotukset ajoneuvossa olevista kuljettajan valvontajärjestelmistä viimeisen kymmenen vuoden aikana ovat hyödyntäneet tunteiden tunnistamiseen tarkoitettuja tietokoneen näköalgoritmeja yhdessä muiden biometristen osoittimien kanssa, jotta voidaan tuottaa järjestelmiä, jotka on suunniteltu hillitsemään vastahakoisia kuljettajia, koska virheellinen ajokäyttäytyminen voi vaikuttaa kuljettajan vakuutusmaksuihin tällaisissa järjestelmissä tai käytetään todisteena onnettomuustutkinnassa.

Sen sijaan Michiganin / Denso -ehdotus näyttää olevan tarkoitettu jollekin muodolle valtiollista yhteistyötä muuttamalla pakollisia ajoneuvon standardeja. Kuitenkin, ottaen huomioon Yhdysvaltain väestön liikkuvuuden normaaliajassa ja sen, että tällainen järjestelmä olisi sovellettavissa eniten pitkänmatkan kuljettajille, kuten kuorma-autonkuljettajille, on vaikea nähdä, miten mitään muuta kuin valtakunnallinen toteutus olisi toteutettavissa, ellei kehys ole suunniteltu olemaan epäaktiivinen epäosallistuvien valtioiden rajoilla tai piirikunnissa, jotka eivät tue järjestelmää.

Vaikka tällaiset innovaatiot ovat yleensä ohjattu vakuutusyhtiöiden trendin kasvamiseen, joka kannustaa asiakkaita asentamaan valvontalaitteita, kunnallisen infrastruktuurin tarve ei juuri sovi tähän malliin, mikä viittaa siihen, että tällainen järjestelmä tarvitsisi lainsäädännön tuen ja valtion tai liittovaltion rahoitusta.

Kuvakaappaus koneoppimisarkkitehtuurista, joka on ehdotettu järjestelmälle, käyttäen toistuvia neuroverkkoja (RNN). Vaikka kehys käyttää myös valvomaton oppiminen ja tarjoaa reaaliaikaisen palautteen, se myös mahdollistaa offline-koulutuksen parantamaan algoritmeja saapuvan datan ja tapahtumien perusteella. Aggressiivisen ajokäyttäytymisen tunnistaminen tapahtuu dynaamisen aikamuodon muuttamisen (DTW) avulla, algoritmi, jota käytetään aikasarjojen analyysissä vertaamaan kahta aikasarjaa tai sekvenssiä, jotka voivat vaihdella nopeudessa.

Tulovirta

Patenttihakemuksessa ehdotettu järjestelmä voisi olla ensimmäinen, joka tarjoaa reaaliaikaisen analyysin virheellisestä kuljettajan käyttäytymisestä kunnallisen kehyksen, joka pystyy automaattisesti antamaan sakkoja ja rangaistuksia tai hälyttämään viranomaisia, tapauksissa, joissa on todella vaarallisia kuljettajan tapahtumia. Kuitenkin keksijät myöntävät, että se voidaan käyttää väärin “rahankeräjänä” rahaa himoavien kunnallisten viranomaisten toimesta.

Neda Masoud, apulaisprofessori Michiganin yliopiston siviili- ja ympäristötekniikan laitoksella, kertoi The Academic Times -lehdelle, että ‘Väärät hälytykset ovat pieni hinta korkeammasta turvallisuuden tasosta, jonka teknologia voi tarjota. Sanon, että on aina oltava mahdollisuus väärästi syytetyille puolustautua väärästi esitettyjä syytöksiä aggressiivisesta ajokäyttäytymisestä.’

Patenttihakemus tunnustaa mahdollisuuden aggressiivisille ajotapahtumille, jotka liittyvät ajoneuvoihin, joissa ei ole laitteita (OBUs), mikä voidaan käsitellä ulkoisella havainnoinnilla lähellä olevista ajoneuvoista, joissa on laitteet, sekä risteyksen asennuksilla. Tällaisissa tapauksissa tunnistaminen voidaan olettaa olevan muissa menetelmissä, kuten automaattisessa rekisterikilven lukemisessa (vaikka patenttihakemus ei käsitelä tätä).

Risteykset korkea riski

Michiganin patentti käsittelee huolehtimattoman käyttäytymisen risteyksissä, koska ne ovat liikenneonnettomuuksien ja rikkomusten keskus, kun taas aiempi kiinalainen tutkimus samankaltaisilla linjoilla on käyttänyt tukivektorin koneoppimista (SVM) tunnistamaan matkalla olevia tapahtumia, kuten vaarallista kaistavaihtoa. Toinen Kiinassa tehty tutkimushanke hyödynsi älypuhelinten antureita epäsäännöllisen käyttäytymisen havaitsemiseksi matkalla.

Yhdysvaltain kansallinen liikenneturvallisuusvirasto arvioi vuonna 2010, että 40 % onnettomuuksista, jotka tapahtuivat Yhdysvalloissa vuonna 2008, liittyivät toimintaan risteyksissä.